※本記事は一次情報をもとにAI支援によって構成・作成し、事実関係の照合を行っています。
発表内容（事実）
Hugging Faceは、自身のデバイス上で動作する小型のテキスト読み上げ（TTS）モデル「Phonon」を発表しました。サーバーやネットワーク接続を必要とせず、入力したテキストが外部に送信されない仕組みとなっています。PhononはPocket TTSの系譜を引いており、音声を生成するためにフローマッチングを使用しています。モデルサイズは約65MBと75MBの2種類があり、英語、フランス語、ドイツ語、スペイン語、ポルトガル語の5言語に対応しています。
ライセンスについては、英語に対応するPhonon 31mがApache 2.0ライセンスで提供され、商用製品を含めて無料で利用可能です。全5言語をカバーするPhonon 40mはクリエイティブ・コモンズの非商用ライセンス（CC BY-NC）が適用され、商用利用の場合はユーザー数に基づく価格設定となっています。また、Hugging FaceのOpen TTS Leaderboardにおいて、言語聴取の明瞭度でドイツ語とスペイン語で1位を獲得し、すべての評価言語で上位3位以内に入っています。さらに、CPUストリーミングのタイム・トゥ・ファースト・オーディオ（音声出力までの時間）のベンチマークで首位を記録しています。
この記事のポイント
- サーバーやネットワーク接続不要でオンデバイス動作する小型音声合成モデル「Phonon」が発表された。
- モデルサイズは約65MBと75MBで、英語、フランス語、ドイツ語、スペイン語、ポルトガル語の5言語をサポートする。
- 英語対応のPhonon 31mはApache 2.0ライセンスで商用利用も無料、Phonon 40mは非商用ライセンスで提供される。
- Hugging FaceのOpen TTS LeaderboardのCPUストリーミングにおけるタイム・トゥ・ファースト・オーディオでトップを記録した。
考察（筆者の見解）
事実として、Phononはモデルサイズが65MBから75MB程度と非常に軽量でありながら、Open TTS Leaderboardの明瞭度評価やCPUストリーミングのベンチマークにおいて上位の成績を収めています。また、公開後2週間で20万回以上ダウンロードされたことが確認されています。
推測として、フローマッチングを採用したことや、数ヶ月にわたるパートナーとの共同開発および調整が、小型モデルでありながら高い品質と多言語対応を両立できた要因になったと考えられます。また、ネットワーク接続を前提としないオンデバイス動作やApache 2.0ライセンスの採用は、プライバシー重視のアプリケーションやエッジAI開発において普及を後押しする可能性があります。
意見として、筆者は、クラウドへの常時接続が難しい環境や遅延が許されないエッジデバイス向けの開発において、このような軽量かつ高性能なオープンソースのオンデバイスTTSの選択肢が増えることは、音声AIの実装レイウアウトを大きく変える足がかりになると考えます。
コメント